[发明专利]基于改进的循环神经网络的实时缺陷检测方法

说明书

本发明揭示了一种基于改进的循环神经网络的实时缺陷检测方法，通过获取取N张待检测产品的灰度图片，以正常产品图片为标准正样本图片，对获取的灰度图片进行缺陷中心位置搜索，再利用神经网络模型学习当前图片异常信息并将异常信息映射到边缘描点进而获得边框位置信息，并利用上一个时间步的关键异常信息，基于循环神经网络的连续多帧图片协同训练获得待检测产品的表面缺陷检测框，最后以面积为判断依据，设定报警阈值，用获得的表面缺陷检测框对待检测产品进行判断。该方法在整个过程用较少的标记数据，可以达到较好的缺陷检测效果；同时该方法可以同时在线实时处理多个进程缺陷检测，即同一时间处理多个任务，方法更优。

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种基于改进的循环神经网络的实时缺陷检测方法。

背景技术

随着机器视觉和人工智能的发展，出现了很多通过光学传感器和CCD相机采集图像数据，并利用神经网络算法对产品进行缺陷检测的方法。但是现有的检测方法存在以下问题：

1、需要大量的人工标记工作；

2、单个模型只对单任务有效，不能处理其他任务；

3、实时性不强。

发明内容

本发明的目的在于提供一种基于改进的循环神经网络的实时缺陷检测方法。

为实现上述发明目的，本发明采用如下技术方案：

一种基于改进的循环神经网络的实时缺陷检测方法，包括以下步骤：

连续获取待检测产品N帧表面图片，进而获取表面图片的灰度图片；

通过标准正样本图片，对获取的灰度图片进行缺陷中心位置搜索；

利用神经网络模型学习当前图片异常信息并将异常信息映射到边缘描点进而获得边框位置信息；

利用上一个时间步的关键异常信息，基于循环神经网络的连续多帧图片协同训练获得待检测产品的表面缺陷检测框；

以面积为判断依据，设定报警阈值，用获得的表面缺陷检测框对待检测产品进行判断。

进一步的，通过标准正样本图片，对获取的灰度图片进行缺陷中心位置搜索的步骤包括：

以h×w长宽的窗口以滑动的方式计算当前图片I_t中各个区块与标准正样本图片I_p中对应位置的像素差值之和，缺陷中心位置就是差值最大区块的中心坐标。

进一步的，利用神经网络模型学习当前图片异常信息，通过以下公式进行：

h_t＝W₁σ(I_t-I_p)+h_t-1+b

其中，W₁为映射矩阵，负责捕捉待检测产品在横向上的异常信息，k为预设描点数量，h₁为采样图片的长；

σ(I_t-I_p)为当前图片I_t中各个区块与标准正样本图片I_p中对应位置的像素差值之和；

h_t-1为上一个时刻的关键异常信息；

b为模型在横向上的偏置项，d为采样图片的宽；

h_t中保存了模型检测到的当前图片中的关键异常信息，

进一步的，将异常信息映射到边缘描点进而获得边框位置信息，通过以下公式进行：

y_t＝h_tW₂+θ